科技巨头戴尔近日发布第三季度财报,由于供应链状况的改善有助于抵消个人电脑市场的疲软,使得该季度业绩超出了华尔街的预期水平。
即便如此,戴尔给出的下一季度指引仍低于分析师的预期,导致股价在盘后交易中出现小幅下跌。戴尔股价在常规交易时段下跌2%多,盘后又下跌了2%。
该季度戴尔在不计入股票补偿等特定成本之后的每股收益为2.30美元,轻松超过每股1.60美元的普遍预期。收入同比下降6%,至247亿美元,但仍高于华尔街预期的243.7亿美元。
与此同时,戴尔的营业收入从一年前的10.5亿美元增长至17.6亿美元,净收入达到2.41亿美元,同比减少93%,主要是因为戴尔为2018年涉及VMware股权的一次有争议的股票互换而支付了10亿美元的和解金。
正如预期的那样,戴尔客户端解决方案部门(包括PC和相关设备销售)出现了疲软,该季度收入为137.8亿美元,下滑6%,低于华尔街预期的139.3亿美元。在这个细分市场中,消费PC的销售额下滑超过29%,为30.3亿美元,低于去年同期的42.6亿美元。商用PC的销售额为107.4亿美元,低于去年同期的122.9亿美元。从好的一面来看,这两个数字都略高于华尔街的目标。
该季度戴尔的基础设施解决方案部门(包括服务器、存储阵列和网络硬件的销售)表现强劲,收入为96.3亿美元,比去年同期增长12%。戴尔表示,这主要受益于供应链的改善,缓解了组件和运费的成本压力。
Wikibon首席分析师Dave Vellante表示,戴尔基础设施解决方案部门的表现弥补了在PC市场遭遇的下滑。他解释说:“和疫情期间截然不同的是,现在客户业务成了一个拖累。现在ISG变成了收入增长创新高的驱动力。”
他解释说,该季度12亿美元积压订单让戴尔从中受益,尽管整体销售额有所下降,但仍然推高了每股收益。“这是一个信号,表明供应情况正在好转,但这也意味着戴尔正在消化积压订单。”

戴尔副董事长、联席首席运营官Jeff Clarke(如图)表示,该季度戴尔表现得“非常出色”,超出了预期水平。“我们减少了积压以满足客户需求,实现了创纪录的业务成果,包括创新高的第三季度ISG收入。与此同时,我们的创新引擎正在边缘、多云和即服务等战略领域全速运转。”
目前尚不清楚的是,戴尔未来能否推动业务整体向前发展。戴尔首席财务官Tom Sweet在财报电话会上给出了喜忧参半的预期,称戴尔预计第四季度每股收益在1.50美元至1.80美元之间,收入在230亿美元至240亿美元之间,从中位点来看分别下滑了4%和16%。
Sweet还表示,ISG的销售额预计将“大致持平”,华尔街的预期目标是每股收益1.63美元,收入248.7亿美元。
Sweet向分析师表示:“我们预计持续的全球宏观经济因素,包括经济增长放缓、通货膨胀、利率上升和货币压力,将给我们的客户带来压力,因此,即使他们仍然继续业务数字化,但IT支出意图会受到影响,这些因素正在影响着我们即将到来的这个财年,尤其是下半年。根据我们目前的预期,把第四季度作为指引起点的话,明年收入水平很可能会低于历史同期水平。”
Vellante表示,戴尔还可能面临其他更多问题,因为戴尔已经消耗了很大一部分之前未交付的订单。他说:“ISG的销售增长是因为受到客户之前未被满足的需求所推动的,感觉情况会在好转之前会变得更糟一些。”
戴尔的全年收入指引在1002.6亿美元至1012.6亿美元之间,低于华尔街预期的1018.4亿美元。
不过,这一预测并不令人感到意外。三个月前,在Gartner和IDC等市场分析公司预测PC销量可能出现至少10年来最严重的下滑之后,戴尔高管发出警告称,他们正在调低对PC市场的预期。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。